arXiv cs.AI· Hilaf Hasson, Aditya Chakravarty, Jayant Thomas, Krishna Gogineni·· 12 小时前AI 评分55
ScalableRAG：以极低摄入成本实现高质量 RAG 与精确语料操作
ScalableRAG: High-Quality RAG with Exact Corpus Operations at Minimal Ingestion Cost
AI 导读
ScalableRAG 提出持久化类型集合工作区，让智能体在查询时构建文档集与值集，并通过集合代数、类型化抽取和聚合完成精确的语料级操作。零摄入版本无需预处理甚至不需要向量索引，在四个常规 QA 基准上与领先基线持平（74.75 对 74.64），在 Hotels-50 上得分 71.74，比领先基线 SRAG 高 36.23 分；去掉工作区后该分数降至 38.4。
正文 · AI 翻译
摘要：RAG 系统面临能力与成本之间的差距：轻量级检索器能定位证据，却不提供用于精确语料级操作（计数、交集、聚合）的操作数，而知识摄取系统只有通过昂贵的摄取才能获得这些操作数。ScalableRAG 通过一个持久化的类型化集合工作区弥合了这一差距：智能体在查询时构建命名的文档集合和值集合，并通过集合代数、类型化提取、聚合和诊断将它们组合起来。
零摄取 ScalableRAG 无需预处理，甚至不需要向量索引。它在四个常规 QA 基准上与领先基线持平（74.75 对 74.64），在聚合型 Hotels-50 上击败所有被评估系统，得分为 71.74：比领先基线（SRAG）高 36.23，比 A-RAG 高 40.22 分。移除工作区后，Hotels-50 降至 38.4。在 Hotels-350（SRAG 自身报告所用的划分）上，ScalableRAG 领先 SRAG 9.3 分。有限摄取 ScalableRAG 增加了一个轻量级索引，是唯一在 500 万文档规模下评审得分超过 80 的被评估系统，每题耗时 13 至 16 秒，摄取时间不到 20 分钟；在 100 万文档规模下得分为 84.5，而 A-RAG 为 80.0，延迟低 16 倍，摄取时间仅为其 0.5%。ScalableRAG 兼具最小化摄取、常规 QA 持平、精确语料操作和百万文档可行性；没有其他被评估方案能同时提供这四项。
我们的代码可在 此 https URL 获取。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG） |
| ACM 分类： | I.2.7; H.3.3; H.3.4; I.2.4 |
| 引用为： | arXiv:2607.25135 [cs.AI] |
| （或本版本的 arXiv:2607.25135v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2607.25135 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hilaf Hasson [查看邮箱]
[v1]
2026年7月27日星期一 23:03:30 UTC（59 KB）
[v2]
2026年10月26日星期一 23:52:30 UTC（77 KB）
来源：arXiv cs.AI · arxiv.org